今天把第二批旧命题重做的第一期改完了。

写的是一次经营日报更新：四路数据没有一起到，因为任务没有那么紧急，系统选择等数据到齐以后再更新。如果必须先交，我会更倾向把缺失留空，而不是沿用昨天的数据。

我越来越在意的不是报告能不能按时出现，而是它说到的地方有没有超过证据。数据没齐时，可以把已经确认的事实说清楚，但别替未知做决定。

你工作里遇到数据迟到，一般会先交临时结果，还是等数据到齐？

武汉的粮道街确实好吃的挺多的，值得来走一走。

最近一个月，我把几年前讲过的数据分析问题结合 AI 重新想了一遍，前四期聊了问题定义、工具、洞察和一个真实案例。做到最后一期，我反而有种又成了新人的感觉。

AI 的确替我省下了不少具体动作。但它能帮到哪一步，还是取决于我有没有把业务背景和判断标准讲清楚。讲不清楚，它给得越快，我返工得越多。

做了十年数据分析以后，我现在又开始琢磨：哪些工作可以放心交给 AI，哪些地方仍然需要人的经验和判断。

你最近有没有哪项工作，因为 AI 的加入，反而让你重新学习了一遍？

刚把八年前做过的一份客户流失分析脱敏后，重新交给 AI 跑了一遍。

这次最让我警惕的，不是 AI 编了假数字。它引用的基础数字都是真的，却把“观察结束前没有再下单”写成了“最终流失”，又借错了分母，最后还算出一笔看起来很像那么回事的业务损失。

后来我把没有对照组、观察期不同、缺少客户历史和销售跟进这些边界明确写进任务。同一个模型马上收住了，只把结果称为条件样本里的后续未下单比例，不再直接写成因果。

这也让我想起当年做流失预警模型时犯过的错：我们先把“三个月没登录”写进流失标签，模型自然会认真回答“谁已经沉默”；可业务真正想知道的是“谁正在离开”。

很多时候，工具还没开始犯错，我们已经把一个需要验证的问题写成了答案。AI 后面做的，只是把这个答案补得越来越完整。

现在再看 AI 写的数据分析，我会先盯住几个不起眼的词：最终、因此、导致、损失、必须。

你在哪些报告里见过这种“数字都对，结论却偷偷跳了一步”？

江汉路热闹呀。

刚把“AI 做数据分析为什么经常没有洞察”这件事重新想了一遍。

最典型的一句话是：新用户留存下降，主要因为用户活跃意愿降低。

听起来像在解释原因，其实只是把“留存下降”换成了更像业务语言的说法。AI 很容易把现象、原因和建议接成一份完整答案，但它并不知道一线最近换了什么渠道、产品改了什么、用户经历了什么。

所以 AI 给出的原因，我现在更愿意把它当成候选。它到底成不成立，还是要拿回真实业务里，和数据、过程记录以及一线看到的变化对一遍。

洞察不一定非得新，首先得对。

你见过哪些“听起来像洞察，其实是换个词重复现象”的分析？

刚把过去讲过的“数据分析工具四件套”重新翻出来，结合现在 AI 能写 SQL、做表、画图、生成 Python 代码的变化，又重写了一遍。

我原来把数据库和 SQL、Excel、可视化、Python 和建模，看成几门需要分别练习的手艺。现在再看，工具没有消失，它们更像一条工作链上的几个环节，而且 AI 已经能在这些环节之间连续干活了。

工具怎么学，也得跟着变。刚入行的人要学基本功，不必再像过去那样，把大量时间平均分给四件套。先看懂一个数据任务怎样从取数走到表达，再根据自己的工作，去补那个最常用、也最容易卡住的地方，可能更实际。

操作门槛在下降，真正需要保住的是看得懂这条工作链，也能在 AI 卡住的时候，把其中一段接回来。

你现在花在数据分析工具上的学习时间，和一两年前相比有变化吗？

武汉三大火炉，果然名不虚传。真的就出门就有一种被放进蒸笼的感觉。

感觉最近还是要悠着点，这不重置的话，Codex token不够用啊。

近日，支付巨头Stripe被曝正就收购AI模型聚合平台OpenRouter展开谈判，交易估值可能接近100亿美元（约合人民币676亿元）。
昨天和一个开发聊天，他都没有听过硅基流动，看来硅基流动要努力呀。mp.weixin.qq.com